原标题：智慧农业监测与管理系统课程设计

2020年教育部、国家发展改革委、财政部《关于“双一流”建设高校促进学科融合加快人工智能领域研究生培养的若干意见》文件提出，促进“人工智能+农业”交叉学科建设，为服务国家乡村振兴战略培养一流人才。以农业大数据、农业物联网、精准农业航空为核心，实践教育基地不仅可以为信息类专业学生提供具有农业特色的信息技术实践教学活动，也可以为农科专业提供新农科所需的信息技术展示环境，促进院校各个专业对农业AI所涉及的信息技术的交接与应用，促进学生实践能力、综合素养的不断提升。本文将基于当前智慧农业专业设立背景和人才培养要求，探讨智慧农业专业在课程设置、人才培养的规划与方案。

1.环境基础平台

需提供对作物水肥的自动化控制，有效控制环境和实验样本、对不同小区进行水肥梯度处理、利用云平台对水肥灌溉进行可视化查看和操作、提升基地农业信息化和智能化水平，是产生不同环境梯度或模拟不同环境以供后续数据采集的基础平台。

该方面推荐使用国内首个集水肥灌溉、能效监测和表型自动化分析的多功能一体化智能灌溉系统WaterBrain，该系统由土壤墒情监测系统、作物长势监测系统、灌溉能效监测系统、作物表型自动分析系统、自动化灌溉系统、智能施肥系统和可视化云平台七大子系统组成。

2.数据采集平台

需覆盖可见光、多光谱和高光谱，近端和低空端的数据信息采集平台，学习实践不同类型传感器应用范围和对应的解决问题方案，以供后续数据分析和模型训练。

该方面建议采用全类型多空间信息采集平台PhenoAI Near(近地端信息采集系统)和PhenoAI air(低空端采集系统)，平台适用各类大田和园艺作物的多尺度组织和器官，适用各类传感器如可见光、多光谱、高光谱、近红外等，可添加所有主流框架/深度学习模型，涵盖农业实训所需全部主流数据源和AI全类型数据，功能强大操作简单。

3. 可视化AI平台

用户通过简单拖拽即可实现AI分析，同时平台内置自写代码模块，需涵盖所有前沿深度学习网络架构，激发兴趣同时加速掌握AI算法知识和编程能力，锻炼学生快速掌握国际主流算法和关键参数，是后续模型部署的关键依赖。

该方面建议采用国内首个专门针对智慧农业专业建设的智慧农业AI实验和教学平台GrowthBrain E系列，基于当前智慧农业的现实学情和人才培养要求而设计，具备数据真实切合、功能强大全面、算法丰富前沿、零代码可视化分析、内置编程实践模块等特点，让用户更真实的感受智慧农业的数据特点和分析方法，针对具体问题掌握对应哪种解决方案并制定技术路线，同时激发兴趣，让用户全面了解AI模型体系和前沿算法的功能特性及重要参数，并内置编程实践模块，强化计算机编程和算法水平，实现激发兴趣- 会运用- 实践结合- 熟练强化的循序进阶发展，最终成长为一名合格的集农业和信息化知识的全面交叉人才。

4.模型部署平台

覆盖各主流部署(ONNX、OpenVINO等)和部署平台(X86_64 cpu、Nvidia GPU等)，连接相机或摄像头测试模型精度，掌握如何调整精度和速度以适配不同部署平台或开发板，培养学生应用级别的AI部署能力(掌握如何搭建环境和自写代码实现部署)。

该方面建议采用国内首个AI一键部署平台GrowthBrain Deploy，一键便可自动化将训练好的模型部署在服务器或开发板上，生产级框架平台、全系列任务部署、自定义编程实践、应用级能力培养，增强学生认识问题和解决实际科研或生产问题的能力。

智慧农业专业以育人成才为治学核心，以教学、科研、生产为办学环节，构建产学研一体化的专业技术人才培养模式。根据行业需要和专业发展方向，制定本专业的教学计划，培养合格的应用技术人才；本方案旨在激发学生对智慧农业的兴趣，产生自发的学习和探索动力，结合课程和基础理论，已能编写简单程序去与软件中各算法模块进行协同，锻炼学生运行AI等信息化手段解决实际科研或生产问题的能力，通过基础理论(课程)、实践操作(软件)、编程调试(实践)反复的系统性训练，终向着集农业和信息化知识的全面交叉人才方向迈进。

【教程】植物表型分析案列

智慧农业教育解决方案案例

责任编辑：